
工业质检项目最现实的痛点不是"AI能不能识别缺陷"——传统视觉算法已经能做。真正的卡点是"现场人员不会用":缺陷定义靠口传、标注口径难统一、算法人员排不过来、原因分析报告要等专家。一个项目绑住标注、算法、工程、PM四类人,缺一环就停。
腾讯云ADP(智能体开发平台)的质检Agent方案做了一个根本性的转换:把专家做事的方法变成现场人员可执行的步骤。这篇文章从四个痛点出发,拆解解决方案,并列出五个真实客户案例。
制造现场知道缺陷怎么来的(工艺Know-how靠口传),算法团队知道模型怎么训(深度学习Know-how靠专家)。两边不在同一套方法体系里,换线换品就难复用。
Agent解法:把两类经验一起沉淀成业务Skill——缺陷定义、工艺约束、成像经验来自现场,标注规则、模型选择、调参策略来自算法侧,统一封装为可复用能力。
传统视觉软件把能力藏在界面和参数里,现场人员不会配,算法人员排不过来,问题判断靠经验。
Agent解法:对话式操作——标注建议、步骤代办、参数解释、结果判断,都用对话推进。不会调模型的人也能推进项目。
标注要统一标准、算法要看数据、工程要联调上线、PM要追闭环。缺一环进度就卡。
Agent解法:标注、训练数据质检、Badcase分析、工程联调和项目跟进由Agent拆解代办,一个现场负责人就能推进闭环。
传统流程需要专业人员边问边查,机械、成像、数据、算法都要懂。信息不全报告就卡住。
Agent解法:Claw模式用启发式对话补齐机械、成像、数据、算法线索,一边追问现场信息,一边形成原因分析和改善建议。
缺陷定义、工艺约束、成像经验来自制造现场;标注规则、模型选择、调参策略来自深度学习。两类经验一起沉淀成业务Skill,换产换型时方案自动复用。
Claw模式对话补齐线索——追问机械偏差?成像光源角度?训练集分布偏差?算法过拟合?边问边补边分析边写,自动生成原因分析报告。
模式 | 适合场景 | 特点 |
|---|---|---|
工作流模式 | 稳定、重复、标准清晰的任务 | 接口调用自动执行,无需人工介入 |
Claw模式 + 业务Skill | 需要专家判断和信息补全的任务 | 对话协同,边问边补,一人质检项目交付 |
两种模式不互斥——同一个项目中,稳定环节走工作流,需要判断的环节走Claw。
根据产品、缺陷、节拍和验收目标,梳理点位、样本、算法路线和交付边界。
缺陷口径、训练集数量、训练集/验证集划分和数据质检串起来,减少反复返工。
Badcase回流→样本补齐→训练策略→指标复测自动衔接,不会调模型也能推进常规迭代。
Claw追问机械、成像、数据、算法线索,生成原因分析和调优建议,并沉淀上线检查项。
工业质检行业最大的落地瓶颈是"懂工艺的人不懂数据,懂算法的人不懂产线"。ADP质检Agent的价值不是替换视觉算法,而是把两类专家的经验变成可复用的Skill——让一个现场负责人也能推进从标注到上线到迭代的全闭环。
五个案例的共同特征:都是一人推进、效果可量化。如果你们团队正在评估工业质检方案,可以先选一个缺陷类型清晰、产线相对稳定的产品线做试点,验证Skill沉淀和Claw对话式分析的可行性。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。